Comparative Study of Time Series-based Human Activity Recognition using Convolutional Neural Networks
Notice bibliographique
Résumé
Human Activity Recognition (HAR) is an emerging active research area which applies both digital signal processing methods and machine learning algorithms to predict motion activity based on ubiquitously available sensor measurements. Inertial sensors are commonly used in HAR systems. Deep learning (DL) techniques, especially using Convolutional Neural Network (CNN), have been widely used due to their structure flexibility and high classification accuracy. In this paper, we study different CNN structures and test their generalization ability under various conditions. The aim is to find the best CNN model for HAR systems in obtaining higher prediction rates using short time segment of inertial measurements data (1 s) compared to longer time segments (2.5 s) that are used in current literature. The results from this study show that using a simple 1-D shallow CNN fused with standard global statistical features of the input time signal provide the highest precision and recall. The study also shows that enhancing the architecture to multimodal CNN improves the recognition rate of some activities. The system was tested on two publicly available datasets, namely UCI HAR and m-Health. The proposed architecture achieved recognition accuracy of 97.12% using subject-based cross validation of UCI HAR dataset. Moreover, the generalization ability of the UCI HAR based system was verified by testing on m-Health dataset. This cross-dataset evaluation showed an overall accuracy of 93.09%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».